Fonderies contre navigateurs : réduire le coût de la science
Dans un billet publié sur le blog d'Anthropic, qui vient elle-même d'ouvrir un laboratoire humide et affiche des ambitions fortes pour la science, l'entrepreneur Adrian Sanborn, docteur en informatique de Stanford et cofondateur d'Endura Therapeutics, décrit une transformation discrète mais profonde de la recherche biotechnologique par l'intelligence artificielle. Il distingue deux stratégies adoptées par les entreprises du secteur. Les "foundries" (fonderies) misent sur l'industrialisation de la mesure expérimentale elle-même, en générant des données dix fois plus vite qu'auparavant : Xaira, NewLimit, Octant, Tahoe et Endura s'appuient sur le séquençage nouvelle génération et le multiplexage, Insitro, Eikon et Noetik sur la microscopie à haut débit, tandis que Lila et Periodic Labs misent sur l'automatisation physique des laboratoires. Les "navigators" (navigateurs), eux, n'investissent pas dans une technologie propriétaire ni dans un jeu de données massif : ils utilisent le surplus de capacité de réflexion offert par les modèles d'IA pour améliorer en continu leurs décisions, leurs outils et le choix de leurs expériences.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Latent Space. Lire l'article original →
Cette distinction a des conséquences concrètes sur la vitesse et le coût de la recherche. Des analyses qui prenaient une semaine se bouclent désormais en une heure. Des logiciels qui auraient nécessité une licence à six chiffres peuvent être développés en une journée. Des programmes de développement de médicaments peuvent désormais être sélectionnés parmi 500 candidats, contre seulement cinq auparavant lorsque l'évaluation manuelle limitait les capacités d'une équipe. Pour Sanborn, si les foundries captent l'attention médiatique grâce à leurs technologies spectaculaires et leurs annonces de modèles ou de données inédites, ce sont les navigators qui produisent le changement le plus large, car cette approche ne demande ni capital massif ni pari technologique pluriannuel, seulement une volonté de repenser les méthodes de travail.
Le constat de départ est que les modèles de langage ont considérablement accéléré le travail intellectuel autour de la science, écriture de code, analyse de données, conception de systèmes, sans pour autant accroître la vitesse des expériences physiques elles-mêmes, toujours contraintes par des cycles de plusieurs jours ou semaines. Sanborn observe que ce sont les startups en phase précoce qui adoptent le plus vite le modèle navigator, faute d'infrastructures logicielles héritées, de processus figés ou de contraintes réglementaires lourdes, et sous la pression de devoir avancer vite avec peu de moyens. Il illustre ce phénomène par l'exemple du code scientifique chez Endura, où les protocoles expérimentaux évoluent en permanence, contrairement au génie logiciel classique où des exigences changeantes signalent une mauvaise planification.
Pas d'impact direct sur la France/UE